GenAI-hype reset: CIO’er og CTO’er søger praktisk virkelighed

Det generative AI-boom i 2023-2024 er langsomt ved at køle af. Mere end nogensinde før er det nu vigtigt at balancere optimismen om AI’s potentiale med forsigtighed omkring dets faldgruber. Mens mange AI-initiativer stadig er fastlåst i en såkaldt “GenAI-pilot-fælde”, der ikke kan levere skalerbar forretningsværdi ud over prototype-stadiet, fortsætter andre med at generere reel digital værdi. Denne succes kommer, når CIO’er og CTO’er tager en balanceret tilgang til AI-implementation og skaleringsprocesser på tværs af organisationer.

Nu er AI nået til det tidspunkt, hvor dens virkelige evner og begrænsninger vil blive omvurderet af teknologilederne. Under denne periode skal de handle under usikkerhed, mens de forbliver agile og parate til uforudsigelige scenarier. Forrester’s The State Of Agentic AI, 2026 fanger den praktiske udfordring, idet det konstateres, at selvom investeringerne fortsætter med at vokse, er skalaen stadig begrænset, fordi mange virksomheder mangler orkestreringsmoden, eksekverbar governance og disciplineret non-human identitet.

Der er seks praktiske og realistiske tilgange, som fagfolk kan bruge nu til at forblive relevante. Disse tilgange er baseret på menneskecentreret AI-implementation og danner en stærk grundlag for enhver organisation.

1. Anchor AI-adoptions i menneskelige færdigheder for målbart produktivitet

CIO’ernes og CTO’ernes mål er at undgå at satse blindt på AI og at skabe en smartere arbejdsstyrke, der udnytter det bedste, som AI har at tilbyde.

Under de seneste år har ingeniører troet, at AI ville erstatte dem og var modvillige over for at bruge AI-værktøjer. I dag er der flere ingeniører, der aktivt bruger Cursor og Claude Code, da praktiske metoder er opstået, som harmonerer forventninger med reelle resultater.

Hvad der er ændret, er erkendelsen af, at AI-værktøjer supplerer ingeniørernes intelligens og støtter deres arbejde. Disse værktøjer sparer betydelige mængder tid, især i de tidlige projektstadier. Under projektinitiering og PoC-faser kan AI hjælpe udviklere med at gå op til fem gange hurtigere. På rigtige produktionsprojekter med etablerede processer kan AI spare op til 25% af tiden. Disse resultater vil sandsynligvis forbedre sig, efterhånden som AI-værktøjerne modnes og holdene tilpasser deres arbejdsprocesser.

Disse produktivitetsgevinster afhænger også af organisationsændringer. Succesfulde adopterer genovervejer processer, gennemgange og godkendelsesflow for at sikre, at eksisterende strukturer ikke bliver til flaskehalse, der langsommere hastigheden, som AI giver, samtidig med at kvaliteten af de endelige leverancer opretholdes.

2. Kontroller AI-udgangen, før den former beslutninger

I modsætning til menneskelig intelligens blev AI ikke lært at indrømme usikkerhed. Når det er usikkert, vender det ikke tilbage til dybere forskning eller menneskelig gennemgang, men præsenterer i stedet gæt som fakta.

Da AI-hallucinationer er uundgåelige, skal information fra AI-genererede svar kun bruges til beslutningstagning med forsigtighed og med større forsigtighed, når de bruges til læringsformål. Læring i sin traditionelle forstand skal stadig ske gennem artikler, bøger, fora og dokumentation.

Hvor AI udmærker sig, er i at give sammenfattede svar på få sekunder sammen med lister over kilder og links, som mennesker kan bruge til læring. Dette reducerer betydeligt den tid, der er nødvendig for at finde specifik information. AI-genererede svar skal dog stadig verificeres.

3. Forstærk menneskelig ekspertise

Organisationsledere, der er ansvarlige for teknologiimplementation og skaleringsprocesser, skal tydeligt kommunikere, at AI er et værktøj til at udvide menneskelig kapacitet, ikke en krølle, der gør mesterskab valgfrit. Ved at designe arbejdsprocesser og KPI’er, der belønner menneskelig indsigt suppleret med AI, i stedet for blind automatisering, sikrer ledere, at ekspertisen ikke går tabt. I den nærmeste fremtid vil den konkurrencemæssige fordel tilhøre virksomheder, der forstærker deres teams færdigheder med AI, samtidig med at de stadig kræver menneskelig excellence.

4. Tænk på AI som en stof med mennesker i kontrol

AI’s impact øges, når det er integreret i, hvordan hold arbejder, hvordan systemer interagerer, og hvordan beslutninger træffes. I praksis støtter AI en bred vifte af aktiviteter på tværs af virksomhedslevering og operationsarbejdsprocesser. Det gør en fremragende indsats med regelbaserede opgaver, mønstergenkendelse og mange andre. For eksempel håndterer det udarbejdning, sammenfattelse, sammenligning, prognose, første-gennemgangsanalyse og kvalitetskontrol. Dette er højt relevant for finansielle operationer, support-triage, markedsføringsoperationer, intern forskning og QA.

Dog, hvor endelig ansvar og godkendelse er påkrævet, eller hvor etiske, juridiske eller reputationsmæssige beslutninger er på spil, skal menneskelig ekspertise forblive beslutningstageren. De mest succesfulde organisationer vil være dem, der tilføjer menneskelig diskretion og opfindsomhed til AI-effektivitet på tværs af hver proces.

5. Gør cross-teknologi-ekspertise til den nye norm

Rekruttering, uddannelse og omuddannelse i AI-alderen i virksomhederne ikke skal udvikle sig til forberedelse af “knap-presseere”, hvis rolle er begrænset til at operere AI-værktøjer.

Medarbejdere med bred, cross-teknologisk erfaring kan nu nærme sig næsten enhver opgave med AI-støtte. Kravspecifikation, arkitekturplanlægning, kodning i forskellige programmeringssprog, håndtering af backend- eller frontend-arbejde, QA-automatisering eller DevOps-opgaver kan alle udføres ved at arbejde med AI-værktøjer og fungerer som den endelige gennemgang. Denne tilgang sparer betydelig tid, især for dem, der arbejder på tværs af multiple domæner eller teknologier.

Mange mennesker kan teoretisk gøre dette i dag, men deres effektivitet afhænger af tidligere erfaring. Jo bredere deres teknologiske baggrund er, desto mere værdi kan de udtrække fra AI-værktøjerne.

6. Brug detaljerede specifikationer til at dykke ned i AI-assisteret udvikling

Fristelsen til at jage hypen om “vibe-coding” hos nogle organisationer er forståelig, men upålidelig. I stedet giver spec-dreven udvikling AI den kontekst, det behøver for at producere pålidelig output. Veldefinerede specifikationer oversætter intention til noget, som AI-værktøjer kan handle på.

De to største fordele ved spec-dreven udvikling er konsistens og kontrol. Når AI arbejder fra specifikationer, er outputtet lettere at validere, integrere og styre på tværs af organisationen. Samtidig forsvinder risikostyring ikke ind i genereret kode.

Teknologilederne skal behandle AI som en kraftmultiplier inden for en stærk udviklingsproces. Spec-dreven udvikling er en praktisk måde at sikre, at AI fremmer hastighed, kvalitet og ansvarlighed samtidig.

Den praktiske reset

I dette år og derefter kan AI måske begynde at lære og opføre sig på uforudsigelige måder, forskellige fra i dagens modeller. I denne usikkerhed vil en tillidsfuld-med-forsigtighed-mentalitet være den bedste tilgang. Lige så vigtigt vil det være at have en tilbagevendende læring, hvor hold skærper deres færdigheder, stiller spørgsmål ved AI-udgang og tilpasser sig nye måder at arbejde på.

CIO’er og CTO’er vil spille en central rol i at anvende no-hype AI-praksis til at absorbere usikkerhed og oversætte ændring til bæredygtig digital værdi. De vil justere organisationsprocesser, incitamenter og beslutningsstrukturer for at redesigne operationer, så mennesker og AI hver især spiller til deres styrker.